Przegląd metod szybkiego prototypowania algorytmów uczenia maszynowego w FPGA

• Autorzy: Smyk Robert , Kowalski Paweł

Identyfikatory

DOI

10.21008/j.1897-0737.2021.106.0003

Warianty tytułu

EN

Overview of Methods for Fast Prototyping of AI Algorithms in FPGA

• Języki publikacji: PL

Abstrakty

PL

W artykule opisano możliwe do wykorzystania otwarte narzędzia wspomagające szybkie prototypowanie algorytmów uczenia maszynowego (ML) i sztucznej inteligencji (AI) przy użyciu współczesnych platform FPGA. Przedstawiono przykład szybkiej ścieżki przy realizacji toru wideo wraz z implementacją przykładowego algorytmu przetwarzania w trybie na żywo.

EN

The paper discusses open tools that can be used to support rapid prototyping of machine learning (ML) and artificial intelligence (AI) algorithms using contemporary FPGA platforms. An example of a fast path in the implementation of a video processing system was presented along with the implementation of an exemplary processing algorithm in live mode.

Słowa kluczowe

PL

algorytmy AI; FPGA; szybkie prototypowanie w FPGA

• Wydawca: Wydawnictwo Politechniki Poznańskiej
• Czasopismo: Poznan University of Technology Academic Journals. Electrical Engineering
• Rocznik: 2021
• Tom: No. 106
• Strony: 31--43
• Opis fizyczny: Bibliogr. 13 poz., rys.

Twórcy

autor

Smyk Robert

• Politechnika Gdańska

autor

Kowalski Paweł

• Politechnika Gdańska

Bibliografia

• [1] STMicroelectronic, nota katalogowa DS12110 Rev 8, dostęp online: https://www.st.com/resource/en/datasheet/stm32h743vi.pdf (dostęp na dzień 30.07.2021 r.).
• [2] EMBC, wykaz danych pochodzących z benchmarku dostępny online: https://www.eembc.org/coremark/scores.php (dostęp na dzień 30.07.2021 r.).
• [3] Apfeldorfer R., STM32 Artificial Intelligence Solutions, MDG/MCD/AI Solutions, styczeń 2021, dostęp online: www.st.com. (dostęp na dzień 30.07.2021 r.).
• [4] Fallahlalehzari F., FPGA vs GPU for Machine Learning Applications: Which one is better?, ALDEC, dostęp online: https://www.aldec.com, (dostęp na dzień 30.07.2021 r.).
• [5] Ovtcharov, Kalin, Accelerating deep convolutional neural networks using specialized hardware, Microsoft Research Whitepaper 2.11, 2015.
• [6] Khona C., Key Attributes of an Intelligent IIoT Edge Platform, Xilinx White Paper: All Programmable Devices WP493 (v1.0) September 6, 2017.
• [7] Fu Y., Wu E., Sirasao A., Attia S., Khan K., Wittig R., Deep Learning with INT8 Optimization on Xilinx Devices, Xilinx WP486 (v1.0.1) April 24, 2017.
• [8] Xilinx, PetaLinux Tools Documentation Reference Guide, UG1144 (v2020.1) July 24, 2020.
• [9] Xilinx DS962 (v1.3.1) Alveo U200 and U250 Data Center Accelerator Cards Data Sheet, May 5, 2020.
• [10] Xilinx Vitis AI User Guide UG1414 (v1.3) February 3, 2021.
• [11] Zhang X., Wang Y., Shi W., pcamp: Performance comparison of machine learning packages on the edges. In {USENIX} Workshop on Hot Topics in Edge Computing (HotEdge 18), 2018.
• [12] Xilinx, Zynq DPU v3.2 Product Guide PG338 (v3.2) July 7, 2020.
• [13] Dokumentacja platformy Docker, https://docs.docker.com/ (dostęp na dzień 30.07.2021 r.).

Uwagi

Opracowanie rekordu ze środków MNiSW, umowa nr SONP/SP/546092/2022 w ramach programu "Społeczna odpowiedzialność nauki" - moduł: Popularyzacja nauki i promocja sportu (2024).